CN105160294A - 实时mce序列图像心肌组织感兴趣区域的自动跟踪方法 - Google Patents
实时mce序列图像心肌组织感兴趣区域的自动跟踪方法 Download PDFInfo
- Publication number
- CN105160294A CN105160294A CN201510401588.6A CN201510401588A CN105160294A CN 105160294 A CN105160294 A CN 105160294A CN 201510401588 A CN201510401588 A CN 201510401588A CN 105160294 A CN105160294 A CN 105160294A
- Authority
- CN
- China
- Prior art keywords
- registration
- vector
- image
- interest
- sequence image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000002107 myocardial effect Effects 0.000 title abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 230000003387 muscular Effects 0.000 claims description 33
- 230000000747 cardiac effect Effects 0.000 claims description 30
- 210000004165 myocardium Anatomy 0.000 claims description 8
- 238000012113 quantitative test Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 230000005669 field effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000002604 ultrasonography Methods 0.000 abstract description 3
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 abstract 2
- 230000000977 initiatory effect Effects 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 23
- 238000011160 research Methods 0.000 description 6
- 238000002592 echocardiography Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
实时MCE序列图像心肌组织感兴趣区域的自动跟踪方法,属医学超声序列图像分析处理技术领域,其特征在于将基于分级策略的医学图像弹性配准方法与卡尔曼滤波技术相结合,以实现实时MCE序列图像心肌ROI的自动跟踪。本发明方法的步骤为:选取心肌ROI;初始化;采用基于分级策略的医学图像弹性配准方法对序列图像进行配准;利用卡尔曼滤波技术对配准结果进行修正;在序列图像上标注心肌ROI。本发明能够可靠地实现实时MCE序列图像心肌ROI的自动跟踪,且跟踪方法有着较高的精度和准确性,可以有效地避免跟踪误差的帧间积累。本方法也适用于其他医学超声序列图像ROI的自动跟踪。
Description
技术领域
本发明涉及一种医学超声序列图像感兴趣区域(ROI)的自动跟踪方法,尤其涉及一种实时心肌声学造影(实时MCE)序列图像心肌组织感兴趣区域(ROI)的自动跟踪方法,属医学超声序列图像分析处理技术领域。
背景技术
实时心肌声学造影(实时MCE)作为一种能够无创和定量评估心肌微循环的新技术,正在从基础研究走向临床实践。但在影像医学临床实践中,诸如超声探头位置或方位的细微变化、心脏跳动、呼吸、患者体动、脏器蠕动及其弹性形变等因素是不可能完全避免的,从而导致实时MCE序列图像的帧间失准,使得所选择的心肌ROI在实时MCE序列图像不同帧上的位置发生不同程度的漂移,严重影响了实时MCE定量分析技术对冠心病早期诊断的准确性和客观性。
据查,对于MCE序列图像的帧间失准问题,美国Viginia大学Jayaweera教授基于MCE序列图像像素值的相似性测度提出了一种配准算法(ARJayaweera,etal.,Methodforthequantificationofmyocardialperfusionduringmyocardialcontrasttwodimensionalechocardiography,JAmSocEchocardiogr,1994),但该算法只适用于对舒张末期的左心室短轴图像进行配准。牛津大学Noble博士基于图像信号间的互相关性提出了一种配准算法(JANoble,etal.Automatednon-rigidalignmentofclinicalmyocardialcontrastechocardiographyimagesequences:comparisonwithmanualalignment.UltrasoundMedBiol,2002),该算法也只是适用于MCE间歇触发显像方式,且算法的有效性更多地依赖于后续的人工调整。巴西Campinas大学Lope博士综合基于分割与基于像素属性的图像配准技术提出了一种半自动的MCE序列图像的配准算法(MLLopes,etal,Improvingmyocardialcontrastechocardiographyimagesregistrationbyincreasingimagessimilarity.WCU,2003),该算法的配准精度和有效性取决于分割阶段人工选择的模板,无法实现配准过程的自动化。孙丰荣、王晓婧、贾晓波等人及其研究团队在以往进行了相关的工作(王晓婧,散斑跟踪技术在超声心动图图像分析处理中的应用研究,山东大学硕士学位论文,2007;贾晓波,超声心动图分析处理若干问题的应用研究,山东大学硕士学位论文,2009;孙丰荣等,一种心肌声学造影图像定量分析的方法,ZL200910020745.3,2011;李新彩等,基于散斑跟踪技术的实时心肌声学造影图像定量分析,航天医学与医学工程,2010),其间分别采用了基于块匹配和光流场的散斑跟踪方法去解决实时MCE定量分析中心肌ROI的自动跟踪问题,但实时MCE序列图像并不能很好地满足块匹配方法的两个基本假设(同一块内的像素具有相同的运动矢量、块内的像素只是平移运动)和光流场方法的三个基本假设(亮度不变、梯度不变和平滑性),致使方法的跟踪精度和准确性以及鲁棒性不够理想,跟踪误差的帧间积累大,且基于光流场的散斑跟踪方法计算复杂度较高。其后孙丰荣、王丽、高新建等人分别对医学图像弹性配准技术(王丽,医学图像配准技术应用研究,山东大学硕士学位论文,2012)和卡尔曼滤波技术(高新建,实时心肌声学造影定量分析若干图像处理问题的应用研究,山东大学硕士学位论文,2013)在所述心肌ROI自动跟踪问题上的应用可行性进行了初步探索,但两种技术各自的应用性能(尤指两种技术各自的精确性、鲁棒性和实用性)都尚不能满足临床应用需求。
发明内容
针对背景技术所述以往的方法需要人工调整、分析过程缺乏自动化、方法的精度和准确性差、跟踪误差的帧间积累大、鲁棒性和临床实用性低等弊端,本发明综合基于分级策略的医学图像弹性配准方法与卡尔曼滤波技术,提出了一种实时MCE序列图像心肌组织感兴趣区域的自动跟踪方法,以实现实时MCE序列图像心肌ROI的自动跟踪。
本发明的技术方案如下:
一种实时MCE序列图像心肌组织感兴趣区域的自动跟踪方法,由配置一台具有实时MCE定量分析功能的计算机工作站来实现,设实时MCE序列图像由N帧图像构成,分别记作Ik(k=1,2,…,N),其中Ik为该序列图像的第k帧图像,初始帧为I1,该方法步骤如下:
1)由工作站操作医师在初始帧I1上手动选取心肌ROI
在实时MCE序列图像的初始帧I1上,由工作站操作医师手动选取椭圆形的心肌组织感兴趣区域,该椭圆形区域的长轴两个端点的位置坐标分别记作(xa1,ya1)1和(xa2,ya2)1,短轴两个端点的位置坐标分别记作(xb1,yb1)1和(xb2,yb2)1;将上述位置坐标组成为向量(X,Y)1,并称该向量为心肌组织感兴趣区域位置向量,记作R1,该向量是一个4×2的矩阵,其结构可表示为:
2)初始化
设定基于分级策略的图像配准的分块阈值δ;初始化卡尔曼滤波器的时变的虚拟***噪声ξk和时变的虚拟观测噪声ηk为相互独立的白噪声;令k=1;
3)采用基于分级策略的医学图像弹性配准方法对Ik与Ik+1进行配准
以Ik为浮动图像、Ik+1为参考图像,采用基于分级策略的医学图像弹性配准方法,对Ik与Ik+1进行配准,获得非线性形变场,进而得到心肌组织感兴趣区域位置向量的配准向量;这里,心肌组织感兴趣区域位置向量(X,Y)k记作Rk,其配准向量记作且心肌组织感兴趣区域位置向量Rk的结构可表示为:
所述采用基于分级策略的医学图像弹性配准方法对Ik与Ik+1进行配准的具体步骤如下:
(1)对Ik和Ik+1进行全局的刚体配准,得到两幅图像的粗略配准结果;
(2)将参考图像Ik+1划分为多个不重叠的子块,分块后的子图像分别与完整的浮动图像Ik进行局部的刚体配准,配准完成后对参考图像的子图像再分块,如此进行逐步细化的局部刚体配准,当参考图像的子图像的大小小于设定的阈值δ时,停止分块,并返回所述参考图像逐级分块配准过程中每个层级的每个子图像所对应的空间变换的平移和旋转参量;
(3)对返回的一系列空间变换参数进行插值运算,得到平滑的非线性形变场;
(4)将步骤(3)中得到的非线性形变场作用于心肌组织感兴趣区域位置向量Rk得其配准向量其结构可表示为:
其中,分别为四个位置坐标(xa1,ya1)k,(xa2,ya2)k,(xb1,yb1)k,(xb2,yb2)k经形变场作用后的配准位置;
4)利用卡尔曼滤波技术对配准结果进行修正
若k=1,令转到步骤5);否则,依据如下所示的卡尔曼滤波器模型对配准向量进行修正得
其中,卡尔曼滤波器的最优估计为的修正值;为滤波器的观测值;ξk和ηk分别为时变的虚拟***噪声和时变的虚拟观测噪声,这里,向量的结构可表示为:
其中,为配准向量经上述卡尔曼滤波技术修正后的心肌组织感兴趣区域位置向量,分别为的四个位置坐标 经上述卡尔曼滤波技术修正后的位置坐标;
5)若k<N,令k=k+1且转到步骤3),否则转入步骤6);
6)在实时MCE序列图像上标注心肌组织感兴趣区域
分别以为节点进行抛物拟合,其中n=1,2,…,N,得拟合曲线分别以节点进行抛物拟合,得拟合曲线由和包围形成的封闭区域即为在In帧上得到的心肌组织感兴趣区域,记作ROIn;由计算机在实时MCE序列图像上自动标注ROIn,n=1,2,…,N。
上述的ROI是英文RegionOfInterest的缩写,意指图像处理中的术语“感兴趣区域”。
本发明的有益效果是:可靠地实现了实时MCE序列图像心肌ROI的自动跟踪;且所述方法有着较高的跟踪精度和准确性,可以有效地避免跟踪误差的帧间积累。同时,本发明方法也适用于其他医学超声序列图像ROI的自动跟踪。
附图说明
图1是本发明方法的流程框图,S1~S6为其各个步骤。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但不限于此。
实施例:
本发明实施例如图1所示,一种实时MCE序列图像心肌组织感兴趣区域的自动跟踪方法,由配置一台具有实时MCE定量分析功能的计算机工作站来实现,设实时MCE序列图像由N帧图像构成,分别记作Ik(k=1,2,…,N),其中Ik为该序列图像的第k帧图像,初始帧为I1,该方法步骤如下:
S1)由工作站操作医师在初始帧I1上手动选取心肌ROI
在实时MCE序列图像的初始帧I1上,由工作站操作医师手动选取椭圆形的心肌组织感兴趣区域,该椭圆形区域的长轴两个端点的位置坐标分别记作(xa1,ya1)1和(xa2,ya2)1,短轴两个端点的位置坐标分别记作(xb1,yb1)1和(xb2,yb2)1;将上述位置坐标组成为向量(X,Y)1,并称该向量为心肌组织感兴趣区域位置向量,记作R1,该向量是一个4×2的矩阵,其结构可表示为:
S2)初始化
设定基于分级策略的图像配准的分块阈值δ;初始化卡尔曼滤波器的时变的虚拟***噪声ξk和时变的虚拟观测噪声ηk为相互独立的白噪声;令k=1;
S3)采用基于分级策略的医学图像弹性配准方法对Ik与Ik+1进行配准
以Ik为浮动图像、Ik+1为参考图像,采用基于分级策略的医学图像弹性配准方法,对Ik与Ik+1进行配准,获得非线性形变场,进而得到心肌组织感兴趣区域位置向量的配准向量;这里,心肌组织感兴趣区域位置向量(X,Y)k记作Rk,其配准向量记作且心肌组织感兴趣区域位置向量Rk的结构可表示为:
所述采用基于分级策略的医学图像弹性配准方法对Ik与Ik+1进行配准的具体步骤如下:
(1)对Ik和Ik+1进行全局的刚体配准,得到两幅图像的粗略配准结果;
(2)将参考图像Ik+1划分为多个不重叠的子块,分块后的子图像分别与完整的浮动图像Ik进行局部的刚体配准,配准完成后对参考图像的子图像再分块,如此进行逐步细化的局部刚体配准,当参考图像的子图像的大小小于设定的阈值δ时,停止分块,并返回所述参考图像逐级分块配准过程中每个层级的每个子图像所对应的空间变换的平移和旋转参量;
(3)对返回的一系列空间变换参数进行插值运算,得到平滑的非线性形变场;
(4)将步骤(3)中得到的非线性形变场作用于心肌组织感兴趣区域位置向量Rk得其配准向量其结构可表示为:
其中,分别为四个位置坐标(xa1,ya1)k,(xa2,ya2)k,(xb1,yb1)k,(xb2,yb2)k经形变场作用后的配准位置;
S4)利用卡尔曼滤波技术对配准结果进行修正
若k=1,令转到步骤S5);否则,依据如下所示的卡尔曼滤波器模型对配准向量进行修正得
其中,卡尔曼滤波器的最优估计为的修正值;为滤波器的观测值;ξk和ηk分别为时变的虚拟***噪声和时变的虚拟观测噪声,这里,向量的结构可表示为:
其中,为配准向量经上述卡尔曼滤波技术修正后的心肌组织感兴趣区域位置向量,分别为的四个位置坐标 经上述卡尔曼滤波技术修正后的位置坐标;
S5)若k<N,令k=k+1且转到步骤S3),否则转入步骤S6);
S6)在实时MCE序列图像上标注心肌组织感兴趣区域
分别以为节点进行抛物拟合,其中n=1,2,…,N,得拟合曲线分别以节点进行抛物拟合,得拟合曲线由和包围形成的封闭区域即为在In帧上得到的心肌组织感兴趣区域,记作ROIn;由计算机在实时MCE序列图像上自动标注ROIn,n=1,2,…,N。
Claims (1)
1.一种实时MCE序列图像心肌组织感兴趣区域的自动跟踪方法,由配置一台具有实时MCE定量分析功能的计算机工作站来实现,设实时MCE序列图像由N帧图像构成,分别记作Ik(k=1,2,…,N),其中Ik为该序列图像的第k帧图像,初始帧为I1,该方法步骤如下:
1)由工作站操作医师在初始帧I1上手动选取心肌ROI
在实时MCE序列图像的初始帧I1上,由工作站操作医师手动选取椭圆形的心肌组织感兴趣区域,该椭圆形区域的长轴两个端点的位置坐标分别记作(xa1,ya1)1和(xa2,ya2)1,短轴两个端点的位置坐标分别记作(xb1,yb1)1和(xb2,yb2)1;将上述位置坐标组成为向量(X,Y)1,并称该向量为心肌组织感兴趣区域位置向量,记作R1,该向量是一个4×2的矩阵,其结构可表示为:
2)初始化
设定基于分级策略的图像配准的分块阈值δ;初始化卡尔曼滤波器的时变的虚拟***噪声ξk和时变的虚拟观测噪声ηk为相互独立的白噪声;令k=1;
3)采用基于分级策略的医学图像弹性配准方法对Ik与Ik+1进行配准
以Ik为浮动图像、Ik+1为参考图像,采用基于分级策略的医学图像弹性配准方法,对Ik与Ik+1进行配准,获得非线性形变场,进而得到心肌组织感兴趣区域位置向量的配准向量;这里,心肌组织感兴趣区域位置向量(X,Y)k记作Rk,其配准向量记作且心肌组织感兴趣区域位置向量Rk的结构可表示为:
所述采用基于分级策略的医学图像弹性配准方法对Ik与Ik+1进行配准的具体步骤如下:
(1)对Ik和Ik+1进行全局的刚体配准,得到两幅图像的粗略配准结果;
(2)将参考图像Ik+1划分为多个不重叠的子块,分块后的子图像分别与完整的浮动图像Ik进行局部的刚体配准,配准完成后对参考图像的子图像再分块,如此进行逐步细化的局部刚体配准,当参考图像的子图像的大小小于设定的阈值δ时,停止分块,并返回所述参考图像逐级分块配准过程中每个层级的每个子图像所对应的空间变换的平移和旋转参量;
(3)对返回的一系列空间变换参数进行插值运算,得到平滑的非线性形变场;
(4)将步骤(3)中得到的非线性形变场作用于心肌组织感兴趣区域位置向量Rk得其配准向量其结构可表示为:
其中,分别为四个位置坐标(xa1,ya1)k,(xa2,ya2)k,(xb1,yb1)k,(xb2,yb2)k经形变场作用后的配准位置;
4)利用卡尔曼滤波技术对配准结果进行修正
若k=1,令转到步骤5);否则,依据如下所示的卡尔曼滤波器模型对配准向量进行修正得
其中,卡尔曼滤波器的最优估计为的修正值;为滤波器的观测值;ξk和ηk分别为时变的虚拟***噪声和时变的虚拟观测噪声,这里,向量的结构可表示为:
其中,为配准向量经上述卡尔曼滤波技术修正后的心肌组织感兴趣区域位置向量,分别为的四个位置坐标 经上述卡尔曼滤波技术修正后的位置坐标;
5)若k<N,令k=k+1且转到步骤3),否则转入步骤6);
6)在实时MCE序列图像上标注心肌组织感兴趣区域
分别以为节点进行抛物拟合,其中n=1,2,…,N,得拟合曲线(n=1,2,…,N);分别以节点进行抛物拟合,得拟合曲线(n=1,2,…,N);由和包围形成的封闭区域即为在In帧上得到的心肌组织感兴趣区域,记作ROIn;由计算机在实时MCE序列图像上自动标注ROIn,n=1,2,…,N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510401588.6A CN105160294B (zh) | 2015-07-09 | 2015-07-09 | 实时mce序列图像心肌组织感兴趣区域的自动跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510401588.6A CN105160294B (zh) | 2015-07-09 | 2015-07-09 | 实时mce序列图像心肌组织感兴趣区域的自动跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105160294A true CN105160294A (zh) | 2015-12-16 |
CN105160294B CN105160294B (zh) | 2018-08-03 |
Family
ID=54801146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510401588.6A Expired - Fee Related CN105160294B (zh) | 2015-07-09 | 2015-07-09 | 实时mce序列图像心肌组织感兴趣区域的自动跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160294B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107544736A (zh) * | 2017-05-31 | 2018-01-05 | 上海联影医疗科技有限公司 | 医学图像处理方法及设备 |
CN107808387A (zh) * | 2017-11-13 | 2018-03-16 | 湖北工业大学 | 一种医学图像序列中的目标跟踪方法 |
CN109509197A (zh) * | 2018-09-26 | 2019-03-22 | 沈阳东软医疗***有限公司 | 一种分割感兴趣区域的方法、装置、设备及存储介质 |
CN111028152A (zh) * | 2019-12-02 | 2020-04-17 | 哈尔滨工程大学 | 一种基于地形匹配的声呐图像的超分辨率重建方法 |
CN111383236A (zh) * | 2020-04-24 | 2020-07-07 | 中国人民解放军总医院 | 用于标注感兴趣区域的方法、装置和计算机可读存储介质 |
CN113298856A (zh) * | 2021-05-28 | 2021-08-24 | 上海联影医疗科技股份有限公司 | 一种图像配准方法、装置、设备和介质 |
CN116630383A (zh) * | 2023-07-25 | 2023-08-22 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 图像配准的评估方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2369551A1 (en) * | 2010-03-25 | 2011-09-28 | Emory University | Imaging system and method |
CN103310458A (zh) * | 2013-06-19 | 2013-09-18 | 北京理工大学 | 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法 |
-
2015
- 2015-07-09 CN CN201510401588.6A patent/CN105160294B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2369551A1 (en) * | 2010-03-25 | 2011-09-28 | Emory University | Imaging system and method |
CN103310458A (zh) * | 2013-06-19 | 2013-09-18 | 北京理工大学 | 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法 |
Non-Patent Citations (2)
Title |
---|
FENG-RONG SUN等: "Region of Interest Tracking in Real-Time Myocardial Contrast Echocardiography", 《SPRINGER》 * |
王丽: "医学图像配准技术应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107544736A (zh) * | 2017-05-31 | 2018-01-05 | 上海联影医疗科技有限公司 | 医学图像处理方法及设备 |
CN107808387A (zh) * | 2017-11-13 | 2018-03-16 | 湖北工业大学 | 一种医学图像序列中的目标跟踪方法 |
CN107808387B (zh) * | 2017-11-13 | 2021-04-06 | 湖北工业大学 | 一种医学图像序列中的目标跟踪方法 |
CN109509197A (zh) * | 2018-09-26 | 2019-03-22 | 沈阳东软医疗***有限公司 | 一种分割感兴趣区域的方法、装置、设备及存储介质 |
CN109509197B (zh) * | 2018-09-26 | 2021-11-09 | 东软医疗***股份有限公司 | 一种分割感兴趣区域的方法、装置、设备及存储介质 |
CN111028152A (zh) * | 2019-12-02 | 2020-04-17 | 哈尔滨工程大学 | 一种基于地形匹配的声呐图像的超分辨率重建方法 |
CN111028152B (zh) * | 2019-12-02 | 2023-05-05 | 哈尔滨工程大学 | 一种基于地形匹配的声呐图像的超分辨率重建方法 |
CN111383236A (zh) * | 2020-04-24 | 2020-07-07 | 中国人民解放军总医院 | 用于标注感兴趣区域的方法、装置和计算机可读存储介质 |
CN113298856A (zh) * | 2021-05-28 | 2021-08-24 | 上海联影医疗科技股份有限公司 | 一种图像配准方法、装置、设备和介质 |
CN113298856B (zh) * | 2021-05-28 | 2023-10-20 | 上海联影医疗科技股份有限公司 | 一种图像配准方法、装置、设备和介质 |
CN116630383A (zh) * | 2023-07-25 | 2023-08-22 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 图像配准的评估方法、装置、电子设备及存储介质 |
CN116630383B (zh) * | 2023-07-25 | 2023-09-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 图像配准的评估方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105160294B (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160294A (zh) | 实时mce序列图像心肌组织感兴趣区域的自动跟踪方法 | |
US10321892B2 (en) | Computerized characterization of cardiac motion in medical diagnostic ultrasound | |
Cifor et al. | Hybrid feature-based diffeomorphic registration for tumor tracking in 2-D liver ultrasound images | |
Wang et al. | A review of deformation models in medical image registration | |
Ali et al. | Echocardiographic image segmentation using deep Res-U network | |
BR112016009829B1 (pt) | Sistema de imageamento diagnóstico ultrassônico que captura uma pluralidade de planos de vista padrão do coração e método para capturar uma pluralidade de planos de vista padrão do coração | |
CN101303767A (zh) | 基于块图像内容自适应分类的数字剪影图像配准方法 | |
Bharadwaj et al. | An upgraded siamese neural network for motion tracking in ultrasound image sequences | |
CN103295234A (zh) | 基于形变表面模型的医学图像分割***及方法 | |
Yang et al. | Motion tracking for beating heart based on sparse statistic pose modeling | |
Guo et al. | Automatic segmentation of a fetal echocardiogram using modified active appearance models and sparse representation | |
US20110317897A1 (en) | Method and apparatus for automated localization of a moving structure | |
CN114187338A (zh) | 一种基于估算2d位移场的器官形变配准方法 | |
CN103606145B (zh) | 基于帧间形状约束的gcv模型分割主动脉瓣超声图像序列方法 | |
Shen et al. | Tracking anything in heart all at once | |
Voigt et al. | Robust live tracking of mitral valve annulus for minimally-invasive intervention guidance | |
Hu et al. | Refined feature-based Multi-frame and Multi-scale Fusing Gate network for accurate segmentation of plaques in ultrasound videos | |
Xu et al. | 3D tongue motion visualization based on ultrasound image sequences | |
Mao et al. | Direct 3d ultrasound fusion for transesophageal echocardiography | |
CN104361606B (zh) | X射线造影图像序列中的心动周期恢复方法 | |
JP2022052210A (ja) | 情報処理装置、情報処理方法及びプログラム | |
Duan et al. | Coronary occlusion detection with 4d optical flow based strain estimation on 4d ultrasound | |
Huang et al. | Non-rigid registration method between 3D CT liver data and 2D ultrasonic images based on demons model | |
Xu et al. | Full-reference image quality assessment-based b-mode ultrasound image similarity measure | |
Meng et al. | Weighted local mutual information for 2D-3D registration in vascular interventions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180803 |